詳解Pytorch如何利用yaml定義卷積網(wǎng)絡(luò)
大多數(shù)卷積神經(jīng)網(wǎng)絡(luò)都是直接通過(guò)寫(xiě)一個(gè)Model類來(lái)定義的，這樣寫(xiě)的代碼其實(shí)是比較好懂的，特別是在魔改網(wǎng)絡(luò)的時(shí)候也很方便。然后也有一些會(huì)通過(guò)cfg配置文件進(jìn)行模型的定義。在yolov5中可以看到是通過(guò)yaml文件進(jìn)行網(wǎng)絡(luò)的定義【個(gè)人感覺(jué)通過(guò)配置文件魔改網(wǎng)絡(luò)有些不方便，當(dāng)然每個(gè)人習(xí)慣不同】，可能很多人也用過(guò)，如果自己去寫(xiě)一個(gè)yaml文件，自己能不能定義出來(lái)呢？很多人不知道是如何具體通過(guò)yaml文件將里面的參數(shù)傳入自己定義的網(wǎng)絡(luò)中，這也就給自己修改網(wǎng)絡(luò)帶來(lái)了不便。這篇文章將仿照yolov5的方式，利用yaml定義一個(gè)自己的網(wǎng)絡(luò)。
定義卷積塊
我們可以先定義一個(gè)卷積塊CBL，C指卷積Conv，B指BN層，L為激活函數(shù)，這里我用ReLu.
class BaseConv(nn.Module):
def __init__(self, in_channels, out_channels, k=1, s=1, p=None):
super().__init__()
self.in_channels = in_channels
self.out_channels = out_channels
self.conv = nn.Conv2d(in_channels, out_channels, k, s, autopad(k, p))
self.bn = nn.BatchNorm2d(out_channels)
self.act_fn = nn.ReLU(inplace=True)
def forward(self, x):
return self.act_fn(self.bn(self.conv(x)))
卷積中的autopad是自動(dòng)補(bǔ)充pad，代碼如下：
def autopad(k, p=None):
if p is None:
p = k // 2 if isinstance(k, int) else [x // 2 for x in k]
return p
定義一個(gè)Bottleneck
可以仿照yolov5定義一個(gè)Bottleneck，參考了殘差塊的思想。
class Bottleneck(nn.Module):
def __init__(self, in_channels, out_channels, shortcut=True):
super(Bottleneck, self).__init__()
self.conv1 = BaseConv(in_channels, out_channels, k=1, s=1)
self.conv2 = BaseConv(out_channels, out_channels, k=3, s=1)
self.add = shortcut and in_channels == out_channels
def forward(self, x):
"""
x-->conv1-->conv2-->add
|_________________|
"""
return x + self.conv2(self.conv1(x)) if self.add else self.conv2(self.conv1(x))
攥寫(xiě)yaml配置文件
然后我們來(lái)寫(xiě)一下yaml配置文件，網(wǎng)絡(luò)不要很復(fù)雜，就由兩個(gè)卷積和兩個(gè)Bottleneck組成就行。同理，仿v5的方法，我們的網(wǎng)絡(luò)中的backone也是個(gè)列表，每行為一個(gè)卷積層，每列有4個(gè)參數(shù)，分別代表from(指該層的輸入通道數(shù)為上一層的輸出通道數(shù)，所以是-1)，number【yaml中的1，1，2指該層的深度，或者說(shuō)是重復(fù)幾次】，Module_nams【該層的名字】，args【網(wǎng)絡(luò)參數(shù)，包含輸出通道數(shù)，k，s，p等設(shè)置】
# define own model backbone: [[-1, 1, BaseConv, [32, 3, 1]], # out_channles=32, k=3, s=1 [-1, 1, BaseConv, [64, 1, 1]], [-1, 2, Bottleneck, [64]] ]
我們現(xiàn)在用yaml工具來(lái)打開(kāi)我們的配置文件，看看都有什么內(nèi)容
import yaml
# 獲得yaml文件名字
yaml_file = Path('Model.yaml').name
with open(yaml_file,errors='ignore') as f:
yaml_ = yaml.safe_load(f)
print(yaml_)
輸出：
{'backbone': [[-1, 1, 'BaseConv', [32, 3, 1]], [-1, 1, 'BaseConv', [64, 1, 1]], [-1, 2, 'Bottleneck', [64]]]}
然后我們可以定義下自己Model類，也就是定義自己的網(wǎng)絡(luò)?？梢钥吹脚c前面讀取yaml文件相比，多了一行 ch = self.yaml["ch"] = self.yaml["ch"] = 3 這個(gè)是在原yaml內(nèi)容中加入一個(gè)key和valuse,3指的3通道，因?yàn)槲覀兊膱D像是3通道。parse_model是下面要說(shuō)的傳參過(guò)程。
class Model(nn.Module):
def __init__(self, cfg='./Model.yaml', ch=3, ):
super().__init__()
self.yaml = cfg
import yaml
yaml_file = Path(cfg).name
with open(yaml_file, errors='ignore')as f:
self.yaml = yaml.safe_load(f)
ch = self.yaml["ch"] = self.yaml["ch"] = 3
self.backbone = parse_model(deepcopy(self.yaml), ch=[ch])
def forward(self, x):
output = self.backbone(x)
return output傳入?yún)?shù)
這一步也是最關(guān)鍵的一步，我們需要定義傳參的函數(shù)，將yaml中的卷積參數(shù)傳入我們定義的網(wǎng)絡(luò)中，這里會(huì)用的一個(gè)非常非常重要的函數(shù)eval(),后面也會(huì)介紹到這個(gè)函數(shù)的用法。
這里先附上完整代碼：
def parse_model(yaml_cfg, ch):
"""
:param yaml_cfg: yaml file
:param ch: init in_channels default is 3
:return: model
"""
layer, out_channels = [], ch[-1]
for i, (f, number, Module_name, args) in enumerate(yaml_cfg['backbone']):
"""
f:上一層輸出通道
number:該模塊有幾層，就是該模塊要重復(fù)幾次
Mdule_name：卷積層名字
args:參數(shù)，包含輸出通道數(shù)，k,s,p等
"""
# 通過(guò)eval，將str類型轉(zhuǎn)自己定義的BaseConv
m = eval(Module_name) if isinstance(Module_name, str) else Module_name
for j, a in enumerate(args):
# 通過(guò)eval，將str轉(zhuǎn)int,獲得輸出通道數(shù)
args[j] = eval(a) if isinstance(a, str) else a
# 更新通道
# args[0]是輸出通道
if m in [BaseConv, Bottleneck]:
in_channels, out_channels = ch[f], args[0]
args = [in_channels, out_channels, *args[1:]] # args=[in_channels, out_channels, k, s, p]
# 將參數(shù)傳入模型
model_ = nn.Sequential(*[m(*args) for _ in range(number)]) if number > 1 else m(*args)
# 更新通道列表，每次獲取輸出通道
ch.append(out_channels)
layer.append(model_)
return nn.Sequential(*layer)下面開(kāi)始分析代碼 。
這行代碼是通過(guò)列表用來(lái)存放每層內(nèi)容以及輸出通道數(shù)。
# 這行代碼是通過(guò)列表用來(lái)存放每層內(nèi)容以及輸出通道數(shù) layer, out_channels = [], ch[-1]
然后進(jìn)入我們的for循環(huán)，在每一次循環(huán)中可以獲得我們yaml文件中的每一層網(wǎng)絡(luò)：f是上一層網(wǎng)絡(luò)的輸出通道【用來(lái)作為本層的輸入通道】，number【網(wǎng)絡(luò)深度，也就是該層重復(fù)幾次而已】，Module_name是該層的名字，args是該層的一些參數(shù)。
for i, (f, number, Module_name, args) in enumerate(yaml_cfg['backbone']):
接下來(lái)會(huì)碰到一個(gè)很重要的函數(shù)eval()。下行的代碼首先需要判斷一下我們的Module_name類型是不是字符串類型，也就是判斷一下yaml中“BaseConv”是不是字符串類型，如果是，則用eval進(jìn)行對(duì)應(yīng)類型的轉(zhuǎn)化，轉(zhuǎn)成我們的BaseConv類型。
m = eval(Module_name) if isinstance(Module_name, str) else Module_name
這里我將對(duì)eval函數(shù)在深入點(diǎn)，如果知道這個(gè)函數(shù)用法的，就可以略去這部分。
我們先舉個(gè)例子，比如我現(xiàn)在有個(gè)變量a="123"，這個(gè)a的類型是什么呢？他是一個(gè)str類型，不是int類型。 現(xiàn)在我們用eval函數(shù)轉(zhuǎn)一下，看看會(huì)變成什么樣子。
>>> b = eval(a) if isinstance(a,str) else a >>> b 123 >>> type(b) <class 'int'>
我們可以看到，經(jīng)過(guò)eval函數(shù)以后，會(huì)自動(dòng)識(shí)別并轉(zhuǎn)為int類型。那么我繼續(xù)舉例子，如果現(xiàn)在a="BaseConv",經(jīng)過(guò)eval以后會(huì)變成什么？可以看到，這里報(bào)錯(cuò)了！這是為什么？這是因?yàn)槲覀儧](méi)有導(dǎo)入BaseConv這個(gè)類，所以eval函數(shù)并不知道我們希望轉(zhuǎn)為什么類型。所以我們需要用import導(dǎo)入BaseConv這個(gè)類才可以。
>>> a="BaseConv" >>> b = eval(a) if isinstance(a,str) else a Traceback (most recent call last): File "<stdin>", line 1, in <module> File "<string>", line 1, in <module> NameError: name 'BaseConv' is not defined
當(dāng)我們導(dǎo)入BaseConv以后，在經(jīng)過(guò)eval就可以獲得：
<class 'models.BaseConv'>
接下來(lái)是獲得args中的網(wǎng)絡(luò)參數(shù)，也是通過(guò)eval進(jìn)行轉(zhuǎn)化
for j, a in enumerate(args):
# 通過(guò)eval，將str轉(zhuǎn)int,獲得輸出通道數(shù)
args[j] = eval(a) if isinstance(a, str) else a
獲取通道數(shù)，并在每次循環(huán)中對(duì)通道進(jìn)行更新：可以仔細(xì)看一下ch[f]指的上一層輸出通道，剛開(kāi)始默認(rèn)為[3]，那么ch[-1]=3，我們yaml中第一層的BaseConv args[0]為32，表示輸出32通道。因此在第一次循環(huán)中有in_channels = 3,out_channels=32。args也要更新，*args前面的"*"并不是指針的意思，也不是乘的意思，而是解壓操作，因此我們第一次循環(huán)中得到的args=[3,32,3,1]。
# 更新通道
# args[0]是輸出通道
if m in [BaseConv, Bottleneck]:
in_channels, out_channels = ch[f], args[0]
args = [in_channels, out_channels, *args[1:]] # args=[in_channels, out_channels, k, s, p]
將參數(shù)傳入模型
這里用for _ in range(number)來(lái)判斷網(wǎng)絡(luò)的深度【或者說(shuō)該模塊重復(fù)幾次】，這里的m就是前面經(jīng)過(guò)eval轉(zhuǎn)化的 <class 'models.BaseConv'>。通過(guò)*args解壓操作將args列表中的內(nèi)容放入m中，再通過(guò)*解壓操作放入nn.Sequential。
model_ = nn.Sequential(*[m(*args) for _ in range(number)]) if number > 1 else m(*args)
這樣就可以獲得我們第一次循環(huán)BaseConv了。后面的循環(huán)也是同樣的反復(fù)操作而已。
BaseConv( (conv): Conv2d(3, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True) (act_fn): ReLU(inplace=True) )
然后是更新通道列表和layer列表，為的是獲取每次循環(huán)的輸出通道，沒(méi)有這一步，再下一次循環(huán)的時(shí)候?qū)⒉荒苷_得到通道數(shù)。
# 更新通道列表，每次獲取輸出通道 ch.append(out_channels) layer.append(model_)
然后我們就可以對(duì)模型調(diào)用進(jìn)行實(shí)例化了，可以打印下模型：
Model(
(backbone): Sequential(
(0): BaseConv(
(conv): Conv2d(3, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(act_fn): ReLU(inplace=True)
)
(1): BaseConv(
(conv): Conv2d(32, 64, kernel_size=(1, 1), stride=(1, 1))
(bn): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(act_fn): ReLU(inplace=True)
)
(2): Sequential(
(0): Bottleneck(
(conv1): BaseConv(
(conv): Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1))
(bn): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(act_fn): ReLU(inplace=True)
)
(conv2): BaseConv(
(conv): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(bn): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(act_fn): ReLU(inplace=True)
)
)
(1): Bottleneck(
(conv1): BaseConv(
(conv): Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1))
(bn): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(act_fn): ReLU(inplace=True)
)
(conv2): BaseConv(
(conv): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(bn): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(act_fn): ReLU(inplace=True)
)
)
)
)
)同時(shí)我們也可以對(duì)模型每層可視化看一下。可以看到和我們定義的模型是一樣的。
完整的代碼
from copy import deepcopy
from models import BaseConv, Bottleneck
import torch.nn as nn
import os
path = os.getcwd()
from pathlib import Path
import torch
def parse_model(yaml_cfg, ch):
"""
:param yaml_cfg: yaml file
:param ch: init in_channels default is 3
:return: model
"""
layer, out_channels = [], ch[-1]
for i, (f, number, Module_name, args) in enumerate(yaml_cfg['backbone']):
"""
f:上一層輸出通道
number:該模塊有幾層，就是該模塊要重復(fù)幾次
Mdule_name：卷積層名字
args:參數(shù)，包含輸出通道數(shù)，k,s,p等
"""
# 通過(guò)eval，將str類型轉(zhuǎn)自己定義的BaseConv
m = eval(Module_name) if isinstance(Module_name, str) else Module_name
for j, a in enumerate(args):
# 通過(guò)eval，將str轉(zhuǎn)int,獲得輸出通道數(shù)
args[j] = eval(a) if isinstance(a, str) else a
# 更新通道
# args[0]是輸出通道
if m in [BaseConv, Bottleneck]:
in_channels, out_channels = ch[f], args[0]
args = [in_channels, out_channels, *args[1:]] # args=[in_channels, out_channels, k, s, p]
# 將參數(shù)傳入模型
model_ = nn.Sequential(*[m(*args) for _ in range(number)]) if number > 1 else m(*args)
# 更新通道列表，每次獲取輸出通道
ch.append(out_channels)
layer.append(model_)
return nn.Sequential(*layer)
class Model(nn.Module):
def __init__(self, cfg='./Model.yaml', ch=3, ):
super().__init__()
self.yaml = cfg
import yaml
yaml_file = Path(cfg).name
with open(yaml_file, errors='ignore')as f:
self.yaml = yaml.safe_load(f)
ch = self.yaml["ch"] = self.yaml["ch"] = 3
self.backbone = parse_model(deepcopy(self.yaml), ch=[ch])
def forward(self, x):
output = self.backbone(x)
return output
if __name__ == "__main__":
cfg = path + '/Model.yaml'
model = Model()
model.eval()
print(model)
x = torch.ones(1, 3, 512, 512)
output = model(x)
torch.save(model, "model.pth")
# model = torch.load('model.pth')
# model.eval()
# x = torch.ones(1,3,512,512)
# input_name = ['input']
# output_name = ['output']
# torch.onnx.export(model, x, 'myonnx.onnx', verbose=True)以上就是詳解Pytorch如何利用yaml定義卷積網(wǎng)絡(luò)的詳細(xì)內(nèi)容，更多關(guān)于Pytorch yaml定義卷積網(wǎng)絡(luò)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用gpu設(shè)置的方式
這篇文章主要介紹了神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用gpu設(shè)置的方式，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2021-03-03
Python實(shí)現(xiàn)定期檢查源目錄與備份目錄的差異并進(jìn)行備份功能示例
這篇文章主要介紹了Python實(shí)現(xiàn)定期檢查源目錄與備份目錄的差異并進(jìn)行備份功能,涉及Python基于filecmp模塊的文件比較及讀寫(xiě)等相關(guān)操作技巧,需要的朋友可以參考下2019-02-02
Python搭建HTTP服務(wù)器和FTP服務(wù)器
這篇文章主要為大家詳細(xì)介紹了Python搭建HTTP服務(wù)器和FTP服務(wù)器的相關(guān)資料，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2017-03-03
python實(shí)現(xiàn)定時(shí)發(fā)送郵件
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)定時(shí)發(fā)送郵件，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2020-12-12
這篇文章主要介紹了Pycharm安裝python庫(kù)的方法,本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2020-11-11
利用Python繪制隨機(jī)游走圖的詳細(xì)過(guò)程
隨機(jī)游走(random walk)也稱隨機(jī)漫步,隨機(jī)行走等,是以隨機(jī)的方式采取連續(xù)步驟的過(guò)程,下面這篇文章主要給大家介紹了關(guān)于利用Python繪制隨機(jī)游走圖的相關(guān)資料,文中通過(guò)代碼介紹的非常詳細(xì),需要的朋友可以參考下2024-02-02
使用python實(shí)現(xiàn)壓縮PDF文件大小的方法
壓縮 PDF 文件能有效減小文件大小并提高文件傳輸?shù)男?同時(shí)還能節(jié)省計(jì)算機(jī)存儲(chǔ)空間,除了使用一些專業(yè)工具對(duì)PDF文件進(jìn)行壓縮,我們還可以通過(guò) Python 來(lái)執(zhí)行該操作,本文將分享一個(gè)簡(jiǎn)單有效的使用 Python 壓縮 PDF 文件的方法,需要的朋友可以參考下2024-06-06
和孩子一起學(xué)習(xí)python之變量命名規(guī)則
這篇文章我們給大家總結(jié)了關(guān)于兒童學(xué)習(xí)python中的變量命名規(guī)則相關(guān)知識(shí)點(diǎn)內(nèi)容，有興趣的朋友跟著參考學(xué)習(xí)下。2018-05-05
Django框架視圖函數(shù)設(shè)計(jì)示例
這篇文章主要介紹了Django框架視圖函數(shù)設(shè)計(jì),結(jié)合實(shí)例形式分析了Django框架視圖函數(shù)處理流程、原理與相關(guān)操作注意事項(xiàng),需要的朋友可以參考下2019-07-07
這篇文章主要為大家詳細(xì)介紹了如何利用Python語(yǔ)言實(shí)現(xiàn)超快窗口截圖功能，可以自動(dòng)獲取當(dāng)前活動(dòng)窗口并展示截圖，感興趣的可以了解一下2022-05-05